Banco de Dados

Lançado pelo Ministério da Transparência e Controladoria-Geral da União em 2004, o Portal da Transparência do Governo Federal é um site de acesso livre, no qual o cidadão pode encontrar informações sobre assuntos relacionados à gestão pública do Brasil e sobre como o dinheiro do contribuinte é utilizado. Além de encontrar informações sobre o cadastro e o salário de todos os servidores do executivo federal. Nesse caso, foi nesse portal que fizemos o download de cerca de 50gb de dados brutos com informações sobre todos os servidores do país e separamos, para nosso estudo, as informações de cadastro e salário de todos os docentes federais de janeiro de 2013 a dezembro de 2019.

Depois de um grande trabalho de limpeza, organização, preenchimento de dados faltantes e junção de informações, partimos para a análise descritiva dos dados. A partir das tabelas obtidas foi possível observar o crescimento de ambas as carreiras desde 2013 e constatar que o crescimento foi semelhante com uma pequena vantagem para a carreira EBTT. Note, a partir do gráfico abaixo, que em 2013 tinhamos \(\dfrac{72967}{33710}=\)2.1645506 professores do Ensino Superior para cada professor do EBTT, já em 2019, esse número caiu para \(\dfrac{87372}{48426}=\)1.8042374 docentes do Ensino Superior para cada docente do EBTT.

################*** Visualização do Aumento de vagas ***##########################
t1 <- TabSal2013 %>%
  group_by(CARGO)%>% subset(!is.na(CARGO))  %>% 
  summarise(servidores = n())%>%
  arrange(desc(servidores))

t2 <- TabSal2014 %>%
  group_by(CARGO)%>% subset(!is.na(CARGO))  %>% 
  summarise(servidores = n())%>%
  arrange(desc(servidores))

t3 <- TabSal2015 %>%
  group_by(CARGO)%>% subset(!is.na(CARGO))  %>% 
  summarise(servidores = n())%>%
  arrange(desc(servidores))

t4 <- TabSal2016 %>%
  group_by(CARGO)%>% subset(!is.na(CARGO))  %>% 
  summarise(servidores = n())%>%
  arrange(desc(servidores))

t5 <- TabSal2017 %>%
  group_by(CARGO)%>% subset(!is.na(CARGO))  %>% 
  summarise(servidores = n())%>%
  arrange(desc(servidores))

t6 <- TabSal2018 %>%
  group_by(CARGO)%>% subset(!is.na(CARGO))  %>% 
  summarise(servidores = n())%>%
  arrange(desc(servidores))

t7 <- TabSal2019 %>%
  group_by(CARGO)%>% subset(!is.na(CARGO))  %>% 
  summarise(servidores = n())%>%
  arrange(desc(servidores))
vagas <- data.frame( Ano=c("2013", "2014", "2015", "2016", "2017", "2018", "2019"),
                    MS=c(t1[[1,2]], t2[[1,2]], t3[[1,2]], t4[[1,2]], t5[[1,2]], t6[[1,2]], t7[[1,2]]), 
                      EBTT=c(t1[[2,2]], t2[[2,2]], t3[[2,2]], t4[[2,2]], t5[[2,2]], t6[[2,2]], t7[[2,2]]))

g2 <- vagas %>%  as.data.table() %>% melt(id.vars = "Ano", variable.name = "Cargo", value.name = "Quant") %>% 
  ggplot(Vagas,
       mapping = aes(x = Ano, y = Quant)) +
  geom_line(mapping = aes(color = Cargo, group = Cargo))+
  geom_point(size=3, mapping = aes(color = Cargo))+
  geom_text(vjust = -2, size = 5, aes(label=Quant))+ coord_cartesian(ylim = c(30000, 90000))+
theme(legend.position = c(2015, 60000)) + 
  labs(title = "Aumento Anual do Número de Professores Federais",
       x = "Ano", y = "Quantidade de Professores")
ggplotly(g2, tooltip = c("Cargo", "Ano", "Quant"))%>% 
  layout( legend = list(x = 0.8, y = 0.8) )%>% style(textposition = "top")

É possível ver ainda que todos os Estados do País, exceto Roraima, ganharam novas vagas de ambas as carreiras. No próximo gráfico verificamos o crescimento das vagas de professores da carreira EBTT. Nesse caso, o Estado de Roraima (RR) foi o único que perdeu vagas, em 2019 tinha cerca de 400 vagas a menos quando comparado com 2013. Ressalta-se que no banco de dados de 2019 há, na carreira EBTT, 426 docentes com dados de Lotação, Orgão de Exercício e UF de exercício não informado e na carreira do magistério superior há 517 docentes no banco de dados com o mesmo problema.

t1 <- TabSal2013 %>%
  group_by(UF_EXERCICIO, CARGO) %>% subset(!is.na(UF_EXERCICIO))  %>% 
  summarise(quantidade = n()) 
t1$ANO <- as.character(2013)

t2 <- TabSal2019 %>%
  group_by(UF_EXERCICIO, CARGO) %>% subset(!is.na(UF_EXERCICIO))  %>%
  summarise(quantidade = n())
t2$ANO <- as.character(2019)

table <- rbind(t1,t2)

g4 <- table %>% filter(CARGO=="EBTT") %>%
  ggplot(aes(x = UF_EXERCICIO, y = quantidade, fill = UF_EXERCICIO)) +
  geom_bar(stat = "identity", show.legend = FALSE) +
  geom_text(vjust = -2, size = 3, aes(label=quantidade))+ coord_cartesian(ylim = c(0, 12000))+
  facet_grid(ANO ~ ., scales = "free_y") +
  labs(title = "Quantidade de Professores da Carreira EBTT por Estado (2013 e 2019)", 
       x = " ", y = " ")

x <- list(
    title = "Estado"
)
y <- list(
    title = "Quantidade de Professores"
)

ggplotly(g4, tooltip = c("UF_EXERCICIO", "quantidade"))%>% style(textposition = "top") %>% 
  layout(xaxis = x, yaxis = y, showlegend = FALSE)

No caso de docentes do Magistério Superior (MS), todos os Estados tiveram aumento. Destaca-se o Estado de Minas Gerais que ganhou quase duas mil vagas entre os anos de 2013 e 2019 de docentes do magistério superior e 1700 vagas de docentes da carreira EBTT. Ou seja, um aumento de cerca de 3700 docentes federais.

g5 <- table %>% filter(CARGO=="MS") %>%
  ggplot(aes(x = UF_EXERCICIO, y = quantidade, fill = UF_EXERCICIO)) +
  geom_bar(stat = "identity") +
  geom_text(vjust = -2, size = 3, aes(label=quantidade))+ coord_cartesian(ylim = c(0, 13000))+
  facet_grid(ANO ~ ., scales = "free_y") +
  labs(title = "Quantidade de Professores da Carreira MS por Estado (2013 e 2019)", 
       x = " ", y = " ")
x <- list(
    title = "Estado"
)
y <- list(
    title = "Quantidade de Professores"
)

ggplotly(g5, tooltip = c("UF_EXERCICIO", "quantidade"))%>% style(textposition = "top") %>% 
  layout(xaxis = x, yaxis = y, showlegend = FALSE)

No gráfico abaixo observamos, por Estado, a quantidade de professores a cada 1000 habitantes. Notem que o Amapá possui a maior proporção de professores federais por número de habitantes.

pop <- data.table::fread("Populacao.csv")
names(pop) <- c("UF_EXERCICIO", "POPULACAO", "REGIAO")

table_UF <- TabSal2019 %>%
  select(UF_EXERCICIO) %>%
  group_by(UF_EXERCICIO) %>%
  summarise(NUM_PROF = n())

table_UF <- merge(table_UF, pop, by="UF_EXERCICIO")
table_UF$PROP = round(1000*(table_UF$NUM_PROF/table_UF$POPULACAO),2)
library(ggthemes)
ggplot(data=table_UF, aes(x=reorder(UF_EXERCICIO, PROP), y=PROP, fill=REGIAO)) +
  geom_bar(stat="identity") + coord_flip() +
  geom_text(hjust = -0.2, size = 5, aes(label=PROP))+
  labs(title="Proporção de Professores por Estado", x="Estado", 
       y="Número de Professores a cada 1000 habitantes do Estado") + 
  theme_stata()

TabSal2019 %>%
  group_by(JORNADA_DE_TRABALHO)%>% subset(!is.na(JORNADA_DE_TRABALHO)) %>%
  summarise(servidores = n()) %>%
  arrange(desc(servidores)) %>%htmlTable()

Além disso, como podemos observar abaixo, o tempo de contrato como professor apresenta uma distribuição assimétrica a direita, ou seja, grande parte dos docentes federais (mais da metade), cerca de 81938 professores, possuem menos de 10 anos de contrato no orgão em que está lotado. Isto é, a grande maioria dos professores federais foi contratada nos últimos dez anos.

g7 <- ggplot(TabSal2019, aes(x=TEMPO_SERV)) +
  geom_histogram(binwidth=5,color="black", fill="white") +
  scale_x_continuous(breaks=c(1, seq(5, max(TabSal2019$TEMPO_SERV, na.rm=T)+1, by=5))) +
  theme_bw() +
  labs(title = "Tempo de Contrato como Professor",
       x = "Tempo no Serviço Público em Anos", y = "Número de Professores")
ggplotly(g7)

Observa-se, portanto, que o número de professores federais aumentaram substancialmente nos últimos anos no Brasil, isso se deve a uma política de expansão das Universidades e dos Institutos Federais. O governo, criou novas Universidades e diversos Institutos. Mas, e o salário dos professores federais? Veremos que os professores da carreira de Ensino Básico, Técnico e Tecnológico (EBTT) receberam um grande aumento salarial com a criação da Lei 12.772, o que possibilitou igualar a média salarial mensal da carreira EBTT com a carreira de MS, mesmo tendo somente \(28,02\%\) de professores com doutorado na carreira EBTT, contra \(64,3\%\) de doutores do magistério superior. Esse aumento é devido a criação do Reconhecimento de Saberes e Competências, de acordo com o qual, após o pedido e a analise de uma banca, professores da carreira EBTT com graduação passam a receber como Especialistas (RSC-I), professores com Especialização passam a receber como mestres (RSC-II) e professores com mestrado passam a receber como doutores (RSC-III). A solicitação do RSC é feito à Instituição em que o docente exerce suas atividades e a banca que faz a análise é composta por dois professores da mesma Instituição do professor solicitante e dois membros externos, todos os membros devem ser da carreira EBTT.

Não há no portal da Transparência, nos sites das Institutições e nem em nenhum outro local informações sobre o número de docentes no país com o RSC, o nome dos professores que receberam, o número de processos que foram negados e etc. Ou seja, não há transparência no Brasil relativo a concessão do RSC. Fiz solicitações ao Ministério da Educação (MEC) para ter acesso a esses dados, no entanto, em todas as respostas que recebi, o MEC sugeriu buscar a informação nas Institutições de Ensino que concedem tal benefício. Aparentemente, nem o MEC possui tais informações. Dessa forma, não é possível identificar o docente que recebe o benefício, mas é possível por meio de uma análise global dos dados do Portal da Transparência, entender o impacto do RSC no aumento salarial dos professores da carreira EBTT.

Estatística dos Salários de Professores Federais

De início, observa-se o aumento dos valores globais liquidos pagos pelo governo entre os anos de 2013 e 2019, a todos os professores federais, separados por carreira. Se olharmos friamente os números, poderíamos dizer que ambas as carreiras, que cresceram em números de professores de forma semelhante, receberam também aumentos salariais semelhantes. No entanto, é preciso ressaltar que no magistério superior é difícil entrar qualquer professor que não tenha pelo menos o título de mestre, e em geral, a maioria das vagas são para doutores. Por outro lado, na carreira EBTT, todos os editais são abertos para candidatos com graduação, em poucos casos, entram doutores. Mesmo assim, o valor pago pelo governo aos docentes do EBTT mais que dobrou entre os anos de 2013 e 2019. Sendo que, o número de docentes desta carreira, nesse mesmo período, cresceu “somente” \(43,65\%.\) Observem a tabela abaixo.

Tot2013 <- TabSal2013 %>% group_by(CARGO) %>% summarise(Valor=sum(Total_Liq)) %>% data.frame()
Tot2014 <- TabSal2014 %>% group_by(CARGO) %>% summarise(Valor=sum(Total_Liq)) %>% data.frame()
Tot2015 <- TabSal2015 %>% group_by(CARGO) %>% summarise(Valor=sum(Total_Liq)) %>% data.frame()
Tot2016 <- TabSal2016 %>% group_by(CARGO) %>% summarise(Valor=sum(Total_Liq)) %>% data.frame()
Tot2017 <- TabSal2017 %>% group_by(CARGO) %>% summarise(Valor=sum(Total_Liq)) %>% data.frame()
Tot2018 <- TabSal2018 %>% group_by(CARGO) %>% summarise(Valor=sum(Total_Liq)) %>% data.frame()
Tot2019 <- TabSal2019 %>% group_by(CARGO) %>% summarise(Valor=sum(Total_Liq)) %>% data.frame()

kable(data.frame(Ano=c("2013","2013","2014", "2014", 
                       "2015","2015","2016", "2016", 
                       "2017","2017","2018", "2018", "2019","2019"), 
                 Carreira=c("EBTT", "MS", 
                            "EBTT", "MS", 
                            "EBTT", "MS", 
                            "EBTT", "MS", 
                            "EBTT", "MS", 
                            "EBTT", "MS", 
                            "EBTT", "MS"), 
                 Valor_Pago=c(format_real(Tot2013$Valor)[1],
                              format_real(Tot2013$Valor)[2],
                              format_real(Tot2014$Valor)[1],
                              format_real(Tot2014$Valor)[2],
                              format_real(Tot2015$Valor)[1],
                              format_real(Tot2015$Valor)[2],
                              format_real(Tot2016$Valor)[1],
                              format_real(Tot2016$Valor)[2],
                              format_real(Tot2017$Valor)[1],
                              format_real(Tot2017$Valor)[2],
                              format_real(Tot2018$Valor)[1],
                              format_real(Tot2018$Valor)[2],
                              format_real(Tot2019$Valor)[1],
                              format_real(Tot2019$Valor)[2])))

Observemos agora o crescimento da média salarial liquida dos docentes federais. Em 2018, os docentes da carreira EBTT receberam uma média mensal superior aos docentes do MS, isso, não faz sentido sem o RSC, se lembrarmos que a carreira do EBTT possui somente \(28,02\%\) de doutores contra \(64,3\%\) de doutores no MS. Ou seja, essa semelhança salarial só pode ser explicada com a existência do RSC.

MS <- TabFinal[TabFinal$CARGO=="MS",]
EBTT <- TabFinal[TabFinal$CARGO=="EBTT",]
tab <- data.frame(Ano=c(2013, 2014, 2015, 2016, 2017, 2018, 2019),
                  MS=
                c(format_real(round(mean(MS$Mean_LIQdo13,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(MS$Mean_LIQdo14,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(MS$Mean_LIQdo15,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(MS$Mean_LIQdo16,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(MS$Mean_LIQdo17,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(MS$Mean_LIQdo18,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(MS$Mean_LIQdo19,na.rm=TRUE),digits = 2))),
                EBTT=
                c(format_real(round(mean(EBTT$Mean_LIQdo13,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(EBTT$Mean_LIQdo14,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(EBTT$Mean_LIQdo15,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(EBTT$Mean_LIQdo16,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(EBTT$Mean_LIQdo17,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(EBTT$Mean_LIQdo18,na.rm=TRUE),digits = 2)),
                  format_real(round(mean(EBTT$Mean_LIQdo19,na.rm=TRUE),digits = 2))))

htmlTable(tab, caption = "Média Salarial Mensal Liquida das Carreiras de Docentes Federais")

Na sequência apresento dois gráficos da distribuição de salários nos anos de 2013 e 2019, eles apresentam, mensalmente, a dispersão dos salários de ambas as carreiras. É possível notar que a distribuição dos salários dos docentes da carreira EBTT, que em 2013 tinha uma defasagem, em 2019 se sobrepõe e ultrapassa em alguns pontos a distribuição dos salários dos docentes da carreira de MS. Isso confirma a desigualdade salarial das carreiras, pois mesmo tendo uma grande diferença em proporção de doutores o EBTT recebe em média valores iguais ou superiores aos docentes da carreira de MS. É possível notar também nos gráficos abaixo a presença de três modas na distribuição de ambas as carreiras, isso é facilmente explicado pela formatação da carreira docente que se distribui em níveis. No magistério superior, temos professores assistentes, adjuntos, associados e professores titulares. Na carreira EBTT temos os níveis DI, DII, DIII, DIV e titular. Entre esses níveis há uma diferença salarial que pode chegar à, aproximadamente, R$2.000,00 (dois mil reais) em valores liquidos. Nesse ponto cabe ressaltar também que a lei 12.772 de 2012, além de criar o RSC, ela também transformou o cargo de Titutar em mais um nível de nossas carreiras. Antes dessa lei, para ser titular o professor tinha que ter alta produção acadêmica, ter notório saber e ser destaque em sua área de pesquisa. Após a lei, todos os antigos professores da carreira EBTT e do MS que tinha doutorado, praticamente todos, mesmo não tendo publicado nada durante sua vida acadêmica, puderam solicitar a progressão para titular e muitos, se não todos, conseguiram.

Meses13 = expand.grid(rep=1:nrow(TabFinal),Meses13=c("jan13","fev13","mar13","abr13","mai13","jun13","jul13","ago13","set13","out13","nov13","dez13"))
sal13 <-c(TabFinal$LIQ_Jan2013,TabFinal$LIQ_Fev2013,TabFinal$LIQ_Mar2013,TabFinal$LIQ_Abr2013,TabFinal$LIQ_Mai2013,TabFinal$LIQ_Jun2013,TabFinal$LIQ_Jul2013,TabFinal$LIQ_Ago2013,TabFinal$LIQ_Set2013,TabFinal$LIQ_Out2013,TabFinal$LIQ_Nov2013,TabFinal$LIQ_Dez2013) 


Meses19 = expand.grid(rep=1:nrow(TabFinal),Meses19=c("jan19","fev19","mar19","abr19","mai19","jun19","jul19","ago19","set19","out19","nov19","dez19"))
sal19 <-c(TabFinal$LIQ_Jan2019,TabFinal$LIQ_Fev2019,TabFinal$LIQ_Mar2019,TabFinal$LIQ_Abr2019,TabFinal$LIQ_Mai2019,TabFinal$LIQ_Jun2019,TabFinal$LIQ_Jul2019,TabFinal$LIQ_Ago2019,TabFinal$LIQ_Set2019,TabFinal$LIQ_Out2019,TabFinal$LIQ_Nov2019,TabFinal$LIQ_Dez2019) 


Cargo <- as.character(TabFinal$CARGO)
Cargo <- c(Cargo,Cargo,Cargo,Cargo,Cargo,Cargo,Cargo,Cargo,Cargo,Cargo,Cargo,Cargo)

dados13<-data.frame(Meses13,sal13,Cargo)
dados19<-data.frame(Meses19,sal19,Cargo)

fig13 <- ggplot(dados13, aes(x=sal13, y=Meses13, color=Cargo, point_color=Cargo, fill=Cargo)) +
  geom_density_ridges(scale = 1, rel_min_height = .01, point_size = 3, size = 1) +  
  scale_y_discrete("Meses") +
  scale_x_continuous(limits = c(0,35000),"Salário")+
  scale_fill_manual(values = c("#D55E0050", "#0072B250"), labels = c("EBTT", "MS")) +
  scale_color_manual(values = c("#D55E00", "#0072B2"), guide = "none") +
  scale_discrete_manual("point_color", values = c("#D55E00", "#0072B2"), guide = "none") +
  guides(fill = guide_legend(
    override.aes = list(
      fill = c("#D55E00A0", "#0072B2A0"),
      color = NA, point_color = NA))
  ) +
  ggtitle("Salário médio mensal do EBTT vs MS no ano de 2013") +
  theme_ridges(center = TRUE)
fig13

fig19 <- ggplot(dados19, aes(x=sal19, y=Meses19, color=Cargo, point_color=Cargo, fill=Cargo)) +
  geom_density_ridges(scale = 1, rel_min_height = .01, point_size = 3, size = 1) +  
  scale_y_discrete("Meses") +
  scale_x_continuous(limits = c(0,35000),"Salário")+
  scale_fill_manual(values = c("#D55E0050", "#0072B250"), labels = c("EBTT", "MS")) +
  scale_color_manual(values = c("#D55E00", "#0072B2"), guide = "none") +
  scale_discrete_manual("point_color", values = c("#D55E00", "#0072B2"), guide = "none") +
  guides(fill = guide_legend(
    override.aes = list(
      fill = c("#D55E00A0", "#0072B2A0"),
      color = NA, point_color = NA))
  ) +
  ggtitle("Salário médio mensal do EBTT vs MS no ano de 2019") +
  theme_ridges(center = TRUE)
fig19

Mais um gráfico interessante que mostra o crescimento e desenvolvimento salarial da carreira EBTT é o gráfico da série temporal média liquida salarial. Podemos ver que houve aumento médio mensal para ambas as carreiras, percebemos ainda as sazonalidades dos meses de julho e dezembro e também que os picos, maiores médias, nos últimos anos foram da carreira EBTT.

clLIQUIDO <- c("LIQ_Jan2013","LIQ_Fev2013","LIQ_Mar2013","LIQ_Abr2013","LIQ_Mai2013","LIQ_Jun2013","LIQ_Jul2013","LIQ_Ago2013","LIQ_Set2013","LIQ_Out2013","LIQ_Nov2013","LIQ_Dez2013",
               "LIQ_Jan2014","LIQ_Fev2014","LIQ_Mar2014","LIQ_Abr2014","LIQ_Mai2014","LIQ_Jun2014","LIQ_Jul2014","LIQ_Ago2014","LIQ_Set2014","LIQ_Out2014","LIQ_Nov2014","LIQ_Dez2014",
               "LIQ_Jan2015","LIQ_Fev2015","LIQ_Mar2015","LIQ_Abr2015","LIQ_Mai2015","LIQ_Jun2015","LIQ_Jul2015","LIQ_Ago2015","LIQ_Set2015","LIQ_Out2015","LIQ_Nov2015","LIQ_Dez2015",
               "LIQ_Jan2016","LIQ_Fev2016","LIQ_Mar2016","LIQ_Abr2016","LIQ_Mai2016","LIQ_Jun2016","LIQ_Jul2016","LIQ_Ago2016","LIQ_Set2016","LIQ_Out2016","LIQ_Nov2016","LIQ_Dez2016",
               "LIQ_Jan2017","LIQ_Fev2017","LIQ_Mar2017","LIQ_Abr2017","LIQ_Mai2017","LIQ_Jun2017","LIQ_Jul2017","LIQ_Ago2017","LIQ_Set2017","LIQ_Out2017","LIQ_Nov2017","LIQ_Dez2017",
               "LIQ_Jan2018","LIQ_Fev2018","LIQ_Mar2018","LIQ_Abr2018","LIQ_Mai2018","LIQ_Jun2018","LIQ_Jul2018","LIQ_Ago2018","LIQ_Set2018","LIQ_Out2018","LIQ_Nov2018","LIQ_Dez2018",
               "LIQ_Jan2018","LIQ_Fev2018","LIQ_Mar2018","LIQ_Abr2018","LIQ_Mai2018","LIQ_Jun2018","LIQ_Jul2018","LIQ_Ago2018","LIQ_Set2018","LIQ_Out2018","LIQ_Nov2018","LIQ_Dez2018")
MS <- TabFinal %>% filter(CARGO=="MS")
EBTT <- TabFinal %>% filter(CARGO=="EBTT")

MLiqMS <- colMeans(MS[clLIQUIDO],na.rm = TRUE)
MLiqEBTT <- colMeans(EBTT[clLIQUIDO],na.rm = TRUE)
df1 <- data.frame(y=MLiqMS)
df2 <- data.frame(y=MLiqEBTT)
#dat.m <- data.frame(Month=months(seq(as.Date("2013/1/1"), 
#                                     by = "month", length.out = 72)),month.id = 1:72)

d <- seq(as.Date("2013/1/1"), as.Date("2019/12/31"), "day")
months <- seq(min(d), max(d), "month")
lab <- format(months, "%b %Y")
lab[lab == "Jan"] <- format(months, "%Y")[lab == "Jan"]
dat.m <- data.frame(Month=lab,month.id = 1:84)

df1 <- data.frame(df1,dat.m)
df2 <- data.frame(df2,dat.m)

st <- ggplot(df1,aes(reorder(Month,month.id),y, group = 1))+geom_line(aes(color="MS"))+ 
  scale_x_discrete("Meses") +
  scale_y_continuous("Salário médio mensal")+
  geom_line(data=df2,aes(color="EBTT"))+
  labs(color="Carreiras")+
  theme(axis.text.x = element_text(face = "bold", size = 6, angle = 90))

ggplotly(st)%>% 
  layout( legend = list(x = 0.1, y = 0.9) )

Abaixo apresento dois gráficos chamadados Treemap’s, um do ano de 2013 e outro do ano de 2019. Caixas maiores representam maior número de docentes. Cores mais escuras, em tom de vermelho, representam maior salário liquido médio. Em ambos os casos, temos o maior número de docentes na UFRJ. No ano de 2013, temos os maiores salários nas Universidades, com destaque para grandes Instituições em grandes centros urbanos. No ano de 2019, já não há grandes discrepâncias salariais, alguns Institutos Federais, mesmo distantes de grandes centros, possuem salarios médios superiores a Universidades antigas e com alta proporção de doutores. Por exemplo, o IFFarroupilha em Santa Maria - RS que foi criado em 2008 e que, de acordo com a plataforma Nilo Peçanha, em 2018 possuia 820 professores, 253 com doutorado e o IFSudeste-MG que possui 10 campus em diferentes cidades de MG, com 660 professores, 219 com doutorado tem médias superiores a UFOP que em 2018 possuia, de acordo com a Sinopse da Educação Superior, 867 professores, dentre esses \(82\%\), ou seja, 719 professores com doutorado.

dtf1 <-TabFinal %>% 
  group_by(ORG_EXERCICIO) %>% 
  summarise(QUANT = n(), salarioMedio = mean(Mean_LIQdo13, na.rm = TRUE))

dtf1$ESCALA <- scale(dtf1$salarioMedio) #Para deixar as disparidades mais evidentes

x <- treemap(dtf1, index = "ORG_EXERCICIO", vSize = "QUANT", vColor = "ESCALA",
             type = "value", palette = "-RdGy", lowerbound.cex.labels = 0.3,
             title  =  "Treemap dos salários dos docentes federais (2013)")

Abaixo o Treemap de 2019. Observe que não há discrepâncias em termos salariais como havia em 2013. Como ainda há uma diferença enorme em termos de formação docente entre as carreiras, a única explicação é que os docentes da carreira EBTT, em sua grande maioria, estão recebendo o Reconhecimento de Saberes e Competências mesmo tendo pouco tempo de carreira docente.

dtf2 <-TabFinal %>% 
  group_by(ORG_EXERCICIO) %>% 
  summarise(QUANT = n(), salarioMedio = mean(Mean_LIQdo19, na.rm = TRUE))

dtf2$ESCALA <- scale(dtf2$salarioMedio) #Para deixar as disparidades mais evidentes

x <- treemap(dtf2, index = "ORG_EXERCICIO", vSize = "QUANT", vColor = "ESCALA",
             type = "value", palette = "-RdGy", lowerbound.cex.labels = 0.3,
             title  =  "Treemap dos salários dos docentes federais (2019)")

Para chegar a média mensal liquida dos docentes do magistério superior, os professores da carreira EBTT receberam além do aumento advindo do RSC, valores retroativos a data da publicação da lei 12.772 de 2012, alguns valores que ultrapassaram, \(R\$ 100.000,000\) (cem mil reais). Na tabela abaixo apresento o número de docentes de ambas as carreiras que receberam entre os anos de 2013 e 2019, salários liquidos mensais, superiores ao teto constitucional dos respectivos anos.

tab <- data.frame(Ano=c(2013,2014,2015,2016,2017,2018, 2019),
                  Teto=c(28000,29400,33763,33763,33763,39000, 39000),
                  MS=
                    c(sum(1*(MS$Mean_LIQdo13>=28000),na.rm = TRUE),
                      sum(1*(MS$Mean_LIQdo14>=29400),na.rm = TRUE),
                      sum(1*(MS$Mean_LIQdo15>=33763),na.rm = TRUE),
                      sum(1*(MS$Mean_LIQdo16>=33763),na.rm = TRUE),
                      sum(1*(MS$Mean_LIQdo17>=33763),na.rm = TRUE),
                      sum(1*(MS$Mean_LIQdo18>=39000),na.rm = TRUE),
                      sum(1*(MS$Mean_LIQdo19>=39000),na.rm = TRUE)),
                  EBTT=
                    c(sum(1*(EBTT$Mean_LIQdo13>=28000),na.rm = TRUE),
                      sum(1*(EBTT$Mean_LIQdo14>=29400),na.rm = TRUE),
                      sum(1*(EBTT$Mean_LIQdo15>=33763),na.rm = TRUE),
                      sum(1*(EBTT$Mean_LIQdo16>=33763),na.rm = TRUE),
                      sum(1*(EBTT$Mean_LIQdo17>=33763),na.rm = TRUE),
                      sum(1*(EBTT$Mean_LIQdo18>=39000),na.rm = TRUE),
                      sum(1*(EBTT$Mean_LIQdo19>=39000),na.rm = TRUE)))
htmlTable(tab, caption = "Número de Professores que Receberam Média Liquida Mensal Superior ao Teto (2013-2019)")

Observe ainda, entre os docentes que ingressaram no serviço público após janeiro de 2008, ou seja, com menos de 12 anos no serviço público, a quantidade de professores que receberam, nos meses de dezembro, meses que os professores recebem décimo terceiro e férias, valores superiores ao teto.

EBTT2016 <- TabFinal%>%filter(CARGO=="EBTT" & DATA_INGRESSO_ORGAO>=as.Date("2008-01-01"))
tab <- data.frame(Ano=c(2013,2014,2015,2016,2017,2018, 2019),
                  Teto=c(28000,29400,33763,33763,33763,39000, 39000),
                  MS=
                    c(sum(1*(MS$LIQ_Dez2013>=28000&MS$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(MS$LIQ_Dez2014>=29400&MS$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(MS$LIQ_Dez2015>=33763&MS$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(MS$LIQ_Dez2016>=33763&MS$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(MS$LIQ_Dez2017>=33763&MS$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(MS$LIQ_Dez2018>=39000&MS$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(MS$LIQ_Dez2019>=39000&MS$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE)),
                  EBTT=
                    c(sum(1*(EBTT$LIQ_Dez2013>=28000&EBTT$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(EBTT$LIQ_Dez2014>=29400&EBTT$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(EBTT$LIQ_Dez2015>=33763&EBTT$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(EBTT$LIQ_Dez2016>=33763&EBTT$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(EBTT$LIQ_Dez2017>=33763&EBTT$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(EBTT$LIQ_Dez2018>=39000&EBTT$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE),
                      sum(1*(EBTT$LIQ_Dez2019>=39000&EBTT$DATA_INGRESSO_ORGAO>=as.Date("2008-01-01")),na.rm = TRUE)))
htmlTable(tab, caption = "Número de Professores Ingressantes em Janeiro de 2008 e que Receberam Valores acima do Teto no meses de Dezembro (2013 - 2019)")

O maior salário de dezembro de 2016, R$ 180.647,37 (cento e oitenta mil, seiscentos e quarenta e sete reais e trinta e sete centavos), foi pago a um professor do Instituto Federal do Rio Grande do Norte, o professor terminou o mestrado em 2003 e nunca iniciou o doutorado. Não vamos divulgar aqui o seu nome, no entanto, o mesmo pode ser encontrado no portal da transparência. O segundo maior salário \(R\$ 161.076.20\) (Cento e sessenta e um mil, setenta e seis reais e vinte centavos) foi pago a uma professora do colégio de aplicação da Universidade Federal de Roraima, ela ingressou na carreira docente em 13 de março de 2008 e possui somente graduação. Compare o crescimento salarial, em termos de valores liquidos médios mensais, recebido entre os anos de 2013 e 2019, dos dois professores no gráfico abaixo. O professor do IFRN recebe também valores relativos a função gratificada.

comparacao <- Profs_tidy %>%
  ggplot(aes(x =reorder(Ano, Ano_id),y = valor, fill = variavel)) +
  geom_col(position = "dodge") +
  geom_vline(xintercept = seq(1.5,12.5), color="gray")+  
  scale_y_continuous(limits = c(0,36000),breaks = c(0,6000,12000,18000,24000, 30000, 36000), expand=c(0,0))+
  labs(x = "Ano", y = "Média Salárial Liquida", fill = "Instituições")+
  theme(plot.title = element_text(hjust = 0.5)) + 
  theme(panel.grid.major = element_blank(), panel.grid.minor = element_blank())+
  geom_text(aes(label = valor),position = position_dodge(0.9), vjust = -0.2)+
  theme(axis.line = element_line(colour = "black"))
ggplotly(comparacao) %>% 
  layout( legend = list(x = 0.8, y = 0.8) ) %>% style(textposition = "top")

Sou professor efetivo da carreira de magistério superior desde agosto de 2010. Ingressei na Instituição que trabalho com o título de mestre e em 2015 sai para cursar o doutorado em Estatística sem bolsa recebendo o meu salário de professor. Finalizei em maio de 2018, fiquei 3 anos e dois meses afastado da Universidade. Nunca vi e nunca entendi o porque de um professor com o mesmo tempo de carreira que eu tenho, trabalhando na mesma função, tendo o mesmo empregador e com uma titulação menor, não trabalhando, nesse caso, com pesquisa ou orientando alunos, receber cerca de 2 ou 3 mil reais a mais de salário e um pomposo retroativo como se fosse um prêmio a falta de formação. Além disso, muitos docentes que receberam o RSC saem de suas respectivas Institutições para treinamento, a nível de mestrado ou doutorado, recebendo por um título que não possuem e ainda recebem bolsas pagas pela Capes, CnpQ, agências de fomento a pesquísa dos Estados ou, muitas das vezes, por suas Instituições de origem. É extremamente importante remunerar bem os professores de qualquer carreira docente, mas é preciso que todo e qualquer reconhecimento seja justo e moral, principalmente, quando é pago com o dinheiro de impostos!